具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

多用户网络中，每个用户的信道状态信息是高速时变的(可能由于用户移动或环境变化造成)，加之干扰噪声的功率是随机甚至是敌对的，因此，当前的信道状态和干扰噪声信息无法用信道估计等方法快速且准确地得到。功率分配策略只能基于历史的信道状态和干扰噪声信息。

对多用户网络集中式自适应功率分配进行规定，如图1所示，设在整个网络中，中央控制器控制N个基站服务多个用户，每个基站n配有a_n根天线从而服务对应数量个用户，每个用户在接收端收到的接收信号，除了天线发送的传输信号和接收机的白噪声外，可能还混有干扰噪声。由于用户可能会高速移动，加之干扰噪声的不确定性，当前时刻的信道状态和干扰噪声信息无法准确得到，因此中央控制器需要根据历史的信道状态和干扰噪声信息设计当前的功率分配策略，以优化整个网络的效用函数，同时必须满足中央控制器端的平均功率定价预算约束。

下面参照附图描述根据本发明实施例提出的多用户网络集中式自适应功率分配设计方法及装置。

首先将参照附图描述根据本发明实施例提出的多用户网络集中式自适应功率分配设计方法。

图2为根据本发明一个实施例的多用户网络集中式自适应功率分配设计方法流程图。

如图2所示，该多用户网络集中式自适应功率分配设计方法包括以下步骤：

在步骤S1中，根据多用户网络中上一时刻的功率分配策略，更新虚拟队列。

记虚拟队列为Q(t)，虚拟队列的更新如下：

Q(t)＝max{0,Q(t-1)+g(p(t))}，

其中，

g(p(t))＝r(p(t)；c)-B，

为当前时刻功率预算的违背值。

经过虚拟队列的更新，将完成虚拟队列的维护，在算法中，虚拟队列的作用是记录累积的预算违背大小，将预算违背的值看成一个虚拟队列中的等待人数。从而只要维持队列稳定，就可以保证长时的预算约束可以达到要求。

需要说明的是，在本发明的实施例中，功率预算约束没有数量的限制，如果对不同基站有多个功率预算约束，在构造虚拟队列时，只需要构造多个队列即可，只需要满足多个队列同时稳定，就可以保证所有的长时预算约束可以达到要求。在公式中，标量Q(t)将变为矢量Q(t)，处理方法类似，在此不进行赘述。

在步骤S2中，根据上一时刻的信道状态和干扰噪声信息，以及多用户网络的功率预算约束和优化目标设计当前时刻的功率分配策略。

中央控制器在当前信道状态和干扰噪声信息未知的情况下，以优化整个网络的总效用函数为目标，设计自适应的功率分配策略，同时需满足中央控制器端的平均功率预算约束。

具体地，在多用户网络中，存在一个中央控制器集中调度各个基站的资源(即功率)分配服务多个用户。中央控制器需要对每个基站所需要的发送功率付费。因此，除了每个基站的每根天线端有发送功率上界约束，中央控制器端有一个平均的功率预算约束：

其中，T为总时长，r(·；c)为功率定价函数，c为定价参数，B为功率预算上限，p(t)为多用户网络的中央控制器在时刻t时的功率分配决策向量。

中央控制器通过自适应调整各个基站各根天线间的功率分配，以优化整个网络的效用函数，设系统运行的总时长为T，在每一个时刻t，中央控制器的功率分配策略用向量p(t)表示，当前时刻的网络效用为：

其中，p(t)为中央控制器在时刻t时的功率分配决策向量，p_m(t)为天线m分配的功率，N为基站个数，a_n为基站n的天线个数，h_m(t)为天线m与用户间在时刻t时的信道增益，σ²为用户接收机的白噪声，为天线m服务的用户在时刻t时接收到的干扰噪声功率。

每个基站每根天线，有功率约束上限P：

当前时刻的功率分配策略如下：

其中，V和α为算法的超参数，后续会确定大小，集合为可行的功率分配集合，即每根天线的分配功率不能超过上限P：

综上，通过步骤S1与步骤S2，将能够得到一个完整的自适应功率分配设计方案。

对于算法初始化，要求Q(0)＝0，即可。上述功率分配策略实际上求解一个凸优化问题，进一步来说是一个二次规划问题，因此现有凸优化理论有很好的算法去快速求解当前的功率分配，因此算法具有很好的实用价值。通过理论推导，得出当超参数选取为时，算法不仅能保证收敛性，还能保证与信道状态信息和干扰噪声分布已知的固定最优功率分配策略相比具有渐近最优的性质，同时还能满足长时的功率预算约束。

图3和图4给出的仿真验证结果可以证明这一算法在随机干扰噪声下相比上界确实具有渐进最优的性质，其中，图3和图4仿真参数设置为3个基站，每个基站配有1根天线，功率定价函数为线性模型，即r(p；c)＝c^Tp，其中参数c＝[0.65,0.4,0.3]^T，功率预算上界B＝0.75，每根天线的发送功率上限为P＝1，信道增益h_m(t)服从独立同分布的高斯分布，即|h_m(t)|²服从参数μ＝1的负指数分布，白噪声功率σ²＝1，干扰噪声服从均匀分布通过仿真可以发现，传统的洞穴式注水算法可以达到固定的最优功率分配决策；同时图3和图4的曲线还表明了本发明算法随着运行时间增长，逐渐逼近最优的平均网络效用，同时平均的预算违背趋于零，验证了本发明算法具有的渐进最优以及满足平均功率预算约束的特性。

进一步地，图5给出的仿真结果可以验证算法的超参数对算法收敛性的影响。图5中设置三组不同的超参数，分别为：同时定义常数使得其他参数设置与图3和图4一致。图5的曲线表明了，超参数V的大小衡量了算法对网络效用性能收敛以及预算违背收敛的折中：超参数V越大，算法具有更高的平均网络效用收敛性，但是代价是更高的预算违背概率；反之，V越小，算法的平均网络效用收敛性虽然变慢，但是超出预算的概率也会变小。因此，合理地选择超参数是算法能达到最优工作点的关键。

进一步地，本发明的实施例在信道为高斯信道，干扰噪声具有未知的分布时具有非常良好的性能，但本发明提出的方法并不依赖于此，在其他情形下，包括敌对信道，敌对干扰噪声下仍然能够正常工作。

根据本发明实施例提出的多用户网络集中式自适应功率分配设计方法，根据上一时刻的功率分配策略，更新虚拟队列；根据上一时刻的信道状态和干扰噪声信息，设计当前时刻的功率分配策略。由此，能够实现在当前信道状态信息和干扰噪声未知的情况下自适应地设计功率分配策略，在满足功率预算约束的条件下达到渐近最优的网络总效用。

其次参照附图描述根据本发明实施例提出的多用户网络集中式自适应功率分配设计装置。

图6为根据本发明一个实施例的多用户网络集中式自适应功率分配设计装置结构示意图。

如图6所示，该多用户网络集中式自适应功率分配设计装置10包括：第一设计模块100和第二设计模块200。

第一设计模块100，用于根据多用户网络中上一时刻的功率分配策略，更新虚拟队列。第二设计模块200，用于根据上一时刻的信道状态和干扰噪声信息，以及多用户网络的功率预算约束和优化目标设计当前时刻的功率分配策略。

进一步地，在本发明的一个实施例中，虚拟队列Q(t)为：

Q(t)＝max{0,Q(t-1)+g(p(t))}，

g(p(t))＝r(p(t)；c)-B，

其中，r(·；c)为功率定价函数，B为功率预算上限。

进一步地，在本发明的一个实施例中，多用户网络的功率预算约束为：

其中，T为总时长，r(·；c)为功率定价函数，c为定价参数，B为功率预算上限，p(t)为多用户网络的中央控制器在时刻t时的功率分配决策向量。

进一步地，在本发明的一个实施例中，优化目标包括最优多用户网络的效用函数：

其中，p(t)为多用户网络的中央控制器在时刻t时的功率分配决策向量，p_m(t)为天线m分配的功率，N为基站个数，a_n为基站n的天线个数，h_m(t)为天线m与用户间在时刻t时的信道增益，σ²为用户接收机的白噪声，为天线m服务的用户在时刻t时接收到的干扰噪声功率。

进一步地，在本发明的一个实施例中，当前时刻的功率分配策略为：

其中，Q(t)为虚拟队列，V和α为算法的超参数，集合为可行的功率分配集合，p(t)为多用户网络的中央控制器在时刻t时的功率分配决策向量。

需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。

根据本发明实施例提出的多用户网络集中式自适应功率分配设计装置，根据上一时刻的功率分配策略，更新虚拟队列；根据上一时刻的信道状态和干扰噪声信息，设计当前时刻的功率分配策略。由此，能够实现在当前信道状态信息和干扰噪声未知的情况下自适应地设计功率分配策略，在满足功率预算约束的条件下达到渐近最优的网络总效用。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。